| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 主要符号说明 | 第8-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 农业病虫害预警的研究现状 | 第9-10页 |
| 1.2.2 数据挖掘技术在农业领域的研究现状 | 第10-11页 |
| 1.3 本文的主要研究内容 | 第11页 |
| 1.4 本文的组织结构及课题来源 | 第11-13页 |
| 第二章 Hadoop及数据挖掘相关技术概述 | 第13-21页 |
| 2.1 Hadoop及其相关模块 | 第13-17页 |
| 2.1.1 HDFS架构及原理 | 第13-15页 |
| 2.1.2 MapReduce编程模型 | 第15-16页 |
| 2.1.3 Mahout算法模块 | 第16-17页 |
| 2.2 数据挖掘概述 | 第17-20页 |
| 2.2.1 数据挖掘流程 | 第17-18页 |
| 2.2.2 数据挖掘算法 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 决策树及集成学习挖掘算法研究 | 第21-34页 |
| 3.1 决策树算法 | 第21-29页 |
| 3.1.1 决策树模型 | 第21-23页 |
| 3.1.2 ID3算法 | 第23-25页 |
| 3.1.3 C4.5算法 | 第25-27页 |
| 3.1.4 CART算法 | 第27-29页 |
| 3.2 集成学习 | 第29-33页 |
| 3.2.1 Bagging集成学习 | 第30-31页 |
| 3.2.2 Booting集成学习 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 基于Hadoop的决策树算法研究与实现 | 第34-60页 |
| 4.1 基于Hadoop的随机森林算法及其并行化实现 | 第34-41页 |
| 4.1.1 随机森林算法 | 第34-37页 |
| 4.1.2 随机森林算法并行化实现 | 第37-41页 |
| 4.2 基于Hadoop的迭代决策树算法及其并行化实现 | 第41-49页 |
| 4.2.1 梯度提升决策树 | 第41-45页 |
| 4.2.2 迭代决策树算法并行化实现 | 第45-49页 |
| 4.3 实验设计与结果分析 | 第49-59页 |
| 4.3.1 实验环境部署 | 第49-52页 |
| 4.3.2 柑橘病虫害数据收集与处理 | 第52-56页 |
| 4.3.3 实验结果对比与分析 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 柑橘病虫害预警系统的设计与实现 | 第60-72页 |
| 5.1 系统总体设计 | 第60-62页 |
| 5.2 数据引擎 | 第62-64页 |
| 5.2.1 数据管理模块 | 第62页 |
| 5.2.2 大数据挖掘模块 | 第62-64页 |
| 5.2.3 数据预测模块 | 第64页 |
| 5.3 系统管理控制功能 | 第64-65页 |
| 5.4 系统主要功能模块实现 | 第65-71页 |
| 5.4.1 开发工具及环境 | 第65-66页 |
| 5.4.2 功能实现 | 第66-71页 |
| 5.4.3 系统验证 | 第71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 参考文献 | 第74-77页 |
| 个人简历 在读期间发表的学术论文 | 第77-78页 |
| 致谢 | 第78页 |